Apsara 2026 Alibaba: Model Raksasa, Realitas Model Kecil

Konferensi AI terbesar di Tiongkok setiap September adalah Apsara Conference milik Alibaba Cloud di Hangzhou. Keynote tahun ini memuat dua cerita. Yang pertama tentang skala: model beberapa kali lebih besar daripada apa pun yang pernah dilatih Alibaba. Yang lainnya, hampir sambil lalu, tentang model terbuka berukuran kecil yang benar-benar dipakai para pengembang. Bagi pemasar di Asia, cerita kedua mungkin lebih penting.

Apa yang terjadi

Menurut Reuters, melalui The Standard, CEO Alibaba Eddie Wu mengatakan pada 22 September bahwa tim Qwen berencana melatih model baru dengan 5 hingga 10 triliun parameter, yang ditujukan untuk tugas yang lebih kompleks dan berhorizon lebih panjang. Model andalan Alibaba saat ini, Qwen 3.8 Max, memiliki 2,4 triliun parameter. Wu juga mengatakan tim telah membuat "kemajuan berarti" dalam perbaikan diri rekursif, memperkenalkan chip AI Zhenwu V900 dari unit T-Head Alibaba dengan kinerja tiga kali lipat dibanding pendahulunya, dan menetapkan target kapasitas pusat data global Alibaba Cloud melampaui 20 gigawatt pada 2032. Ia berkata: "Permintaan jangka menengah hingga panjang di industri ini jauh melampaui kemampuan pasokan kami."

Dalam teks keynote yang diterbitkan di Alizila, Wu menyebut Qwen-27B yang bersumber terbuka sebagai "model paling populer di kalangan pengembang di seluruh dunia" dan mengatakan Alibaba akan terus menyempurnakan model untuk penerapan lokal. Ia juga mengatakan memperkirakan agen akan menjadi "penghuni" jangka panjang cloud, menjalankan tugas berhorizon panjang dan mengonsumsi komputasi secara terus-menerus.

Mengapa ini penting

Bagi pemasar regional, perlombaan model triliunan parameter sebagian besar hanyalah tontonan. Anda akan menggunakan model seperti itu melalui API, itu pun jika memakai. Model terbuka yang dapat diterapkan secara lokal berbeda. Model ini dapat dijalankan oleh perusahaan atau vendor Anda di infrastrukturnya sendiri, di yurisdiksi pilihannya, dan di-fine-tune dengan datanya sendiri.

Hal itu penting di Asia karena alasan praktis. Aturan residensi data berbeda-beda di kawasan ini. Banyak perusahaan tidak nyaman mengirim data pelanggan ke API asing. Dan bahasa serta rujukan budaya di Asia Tenggara dan Asia Timur kurang terlayani oleh model yang terutama disetel dengan bahasa Inggris. Model terbuka berukuran menengah yang mumpuni dan dapat diadaptasi secara lokal menjawab ketiganya.

Komentar Wu tentang agen sebagai "penghuni" cloud adalah sinyal lainnya. Jika agen berjalan terus-menerus, biaya per tugas menjadi variabel strategis. Model yang efisien akan menjalankan sebagian besar pekerjaan itu.

Apa kata riset saya

Saya telah berargumen di Forbes bahwa dalam pemasaran, teknik lebih penting daripada ukuran model. Model yang lebih kecil namun teradaptasi dengan baik pada audiens, bahasa, dan tugas Anda biasanya mengungguli model umum raksasa yang digunakan secara serampangan.

Riset saya juga menunjukkan mengapa adaptasi lokal penting. Dalam I Know Where You Are Coming From (AAAI 2020) kami menemukan bahwa jejaring sosial tempat model belajar mengubah tingkat akurasinya. Dalam Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022) kami menunjukkan bahwa orang mengekspresikan kepribadian secara berbeda di berbagai platform. Poin besarnya: perilaku bersifat kontekstual, dan model membutuhkan data yang spesifik konteks untuk membacanya dengan benar. Platform, bahasa, dan budaya Asia adalah konteks yang tidak otomatis dimiliki model yang dilatih di tempat lain.

Selain itu, model yang efisien membuat keterjelasan terjangkau dalam skala besar. Dalam Fusing Predictive and Large Language Models (ACM TOIS 2025) kami memasangkan prediksi kinerja dengan penjelasan LLM. Menjalankan lapisan penjelasan pada setiap materi kreatif, setiap hari, hanya realistis jika model bahasanya cukup murah untuk dijalankan pada semuanya.

Apa yang sebaiknya dilakukan tim pemasaran di Asia sekarang

• Uji model terbuka berukuran menengah pada tugas regional, seperti mengklasifikasikan unggahan media sosial dalam Bahasa Indonesia atau bahasa Thai, lalu bandingkan dengan model API Anda saat ini dari segi akurasi dan biaya.
• Tentukan ke mana data Anda boleh dikirim. Petakan data pelanggan mana yang boleh dikirim ke API eksternal dan mana yang perlu diproses secara lokal.
• Lakukan fine-tuning dengan konteks Anda sendiri. Bahkan sedikit data lokal berlabel dapat meningkatkan gaya bahasa dan akurasi secara nyata.
• Rencanakan agen yang selalu aktif. Perkirakan biaya komputasi untuk pemantauan dan pelaporan berkelanjutan, lalu pilih model yang sesuai.
• Pantau perkembangan frontier tanpa bergantung padanya. Gunakan model terbesar di tempat yang jelas memberi nilai tambah, dan model yang efisien di tempat lainnya.

Berita utama dari Hangzhou adalah sebuah angka dengan dua belas nol. Kabar praktis bagi pemasar adalah bahwa model kecil yang bagus terus membaik, dan model itu dapat ditempatkan lebih dekat dengan pelanggan Anda.

FAQ